在談自駕車之前,我們先從自駕車發展的歷史背景來探討。自從汽車工業蓬勃發展開始,早在1920年代就有無線遙控車的一般道路行駛[1],如圖1所示,所以自駕車並不是創新的技術,但現代的自駕車卻是需要非常先進的科技來實現。值得注意的是圖一的前車(被遙控車)並沒有安全駕駛!

作者:

陳正夫

自駕車的基本認知

在談自駕車之前,我們先從自駕車發展的歷史背景來探討。自從汽車工業蓬勃發展開始,早在1920年代就有無線遙控車的一般道路行駛[1],如圖1所示,所以自駕車並不是創新的技術,但現代的自駕車卻是需要非常先進的科技來實現。值得注意的是圖一的前車(被遙控車)並沒有安全駕駛!


圖一 被遙控車

另一個自駕車的迷思是先進駕駛輔助(ADAS)技術進展到一定階段後就可以進入自駕車(AD)的層級。事實上這主要是由於SAE對駕駛自動化的分級方式誤導了多數人,認為自駕技術可從Level 1一路發展到Level 5。但從實質定義來看,駕駛輔助的主控者是駕駛人,所有駕駛輔助的功能是協助駕駛更安全地操控車輛;而自動駕駛卻是完全不同的思維,它的出發點就是希望拔掉駕駛,不讓人類介入車輛操控。

從大方向來看自駕車

國際車廠造車至今已超過百年,在這麼長的開發過程中車廠的首要任務是讓汽車更容易被駕駛安全地操控,可以說造車的技術一百多年來都是圍繞在人類駕駛的需求上不斷地精進。如果我們要發展自動駕駛的技術,個人認為首要的思考應是如何讓汽車更”robot-friendly”,而不是教機器人如何把車開得和人類一樣好。當自駕技術漸趨成熟時,我們應該開始考慮為robot設計車輛了。

另一個加速自駕車技術開發的大方向是車聯網的基礎設施建構。舉一個簡單的例子,為了讓自駕車辨識紅綠燈和交通路牌,處理器需進行多少的運算,如果車載OBU能從路口的RSU直接收到資訊,再配合RSU的智慧化紅綠燈控制,整個自駕系統複雜度馬上大幅降低,處理器也有更多的時間進行其他安全性的控制。

自駕車的關鍵技術

如果問大多數人自駕車最關鍵的技術是什麼?我想得到的答案大部分會說是人工智慧、深度學習等。但是自駕車的關鍵技術遠遠超過這些,這也是在台灣眾多進行自動駕駛技術開發的團隊比較不足的地方,以下就針對這些關鍵技術做一些簡單的描述:

首先從最底層的車輛控制說起,我們知道整輛車的所有性能表現決定於四個或更多的輪子與地面接觸的垂直壓力與水平摩擦面所決定,包括加減速、轉向與懸吊等操控特性,而這幾個接觸面積還不到一張A4紙張的大小。車廠及相關的系統供應商經過一百多年的經驗累積,對車輛動力學已有相當的經驗,在一般路面的操控已基本上能依欲行經的軌跡行駛。但如果對車輛動力學沒有相當的掌握,可能就得用人工智慧的方式一步步教車輛進行各種路徑的方向與速度規劃。這好比在決定施力與加速度的關係時,不用簡單的力學第二定律f=ma,而是取了海量的實際行駛情境來算出人工智慧模型。同樣的,不管是馬達或引擎,都有他們的特性曲線,如果沒有對這些特性深入了解,又得靠大量的訓練資料取得適當的模型。所以對車輛及次系統的動態物理特性了解是做好自動駕駛的首要條件。

再推到上一層的決策層,一樣的,如果不知道車輛的特性,如何規劃一個車子可以順利依循的合理路徑?一個簡單的例子,十字路口的轉彎路徑曲度與車速要如何規劃才能不造成太大的偏行角速度(yaw rate)變化,單靠不斷地學習還不一定能處理各種怪異的路況如山區的髮夾彎等等。

在車輛定位也有許多可以改進的地方。目前最常用的是大量的車周感測器配合高精度地圖,但這樣的組合需要極強的算力需求。當我們在開車時,街道上除了車輛行人與交通號誌外,我們很自然地把許多不相關的細節如路樹、垃圾桶、路邊建築等資訊濾掉或忽視,自駕車的定位如果能類似操作,感測器處理的資料及高精度地圖的資料都可以大幅縮減,也可換來更多的時間做更好的決策。

再從最上層的感知層來看。無論那一種感測器,最艱困的情境是車輛或行人從感知範圍(FOV)邊界進到駕駛的危險區,為了不造成誤判,通常感測器都會經過數次的連續偵測才能斷定是有效目標物。以現有的感測技術與運算能力,恐怕最寶貴的數百個毫秒已經過去了,在高速行駛的情況下決策只能對應數公尺以前的情境,已是緩不濟急,這也是目前自駕車在一般道路速度無法提升的原因之一。

上面提到的僅是從自駕車各個層面各舉一個例子來看相關的關鍵技術與限制,背後還有更多的技術待改進或突破才能讓自駕技術真正落地。從業界的角度看,這也代表了在自駕領域仍有無限的商機。台灣在ICT產業經過數十年的歷練,已經培養了許多技術,可以在感測器、計算器甚至系統晶片上發揮,但是核心技術及嚴苛的車用需求也將是一個非常具有挑戰性的門檻。